[发明专利]一种机械设备健康退化状态辨识方法、设备及系统

权利要求书

1.一种机械设备健康退化状态辨识方法，其特征在于，包括训练阶段和测试阶段：

训练阶段包括如下步骤：

步骤1：获取机械设备的多种监测信号，对多种监测信号进行去奇异值处理和降噪处理；

步骤2：对步骤1处理后的各监测信号进行时域分析，分别提取各监测信号的时域特征，包括：平均值、均方差值、方根幅值、均方根值、最大绝对值、歪度指标、峭度指标、峰值因子以及裕度因子；

对步骤1处理后的各监测信号进行功率谱分析，分别提取各监测信号的功率谱特征，包括：频率中心、均方频率、均方根频率、频率方差和频率根方差；

对步骤1处理后的各监测信号进行CEEMDAN分解，得到各监测信号的各个本征模态分量，计算每个模态分量的能量值作为机械设备健康退化状态的本征模态能量特征；

步骤3：利用GSOM网络，分别对步骤2得到的各监测信号的时域特征、功率谱特征和本征模态能量特征进行融合，得到各监测信号的时域融合特征、功率谱融合特征和本征模态能量融合特征；

步骤3中利用GSOM网络对时域特征、功率谱特征和本征模态能量特征进行融合的过程如下：

步骤3.1：选取机械设备部分正常状态下的多种监测信号数据的上述三种特征之一组建训练数据集Dⁿ；

步骤3.2：构建GSOM网络模型，初始化参数；

步骤3.3：向GSOM网络模型输入训练数据集Dⁿ，并设定生长阈值距离d_max；

步骤3.4：随机无重复地从训练数据集选取某一时刻的机械设备的所有时域特征x(t)∈Dⁿ；依据与x(t)最小欧式距离的神经元为获胜神经元原则，即确定GSOM网络模型中的获胜神经元；

步骤3.5：判断是否需要生长新的神经元；若o_l(x)(x)＞d_max，则当前网络结构不足以描述输入数据的特征，需要在GSOM网络模型中增加一个新神经元，继续步骤3.6；否则，返回步骤3.4；

步骤3.6：设定新神经元的前馈连接权值为x(t)^T，计算新神经元到其它所有神经元的距离，在指定距离范围(a₁×d_max，a₂×d_max)内寻找新神经元的邻接神经元，建立邻接关系；其中，a₁＜a₂，a₁和a₂为预设的范围参数；

步骤3.7：重复步骤3.4到3.6，直到训练完Dⁿ中所有数据后，得到训练好的GSOM网络模型；

步骤3.8：将待融合的多种监测信号数据按照时间顺序依次输入步骤3.7训练好的GSOM网络模型中，分别得到各检测信号融合后的特征值；

步骤4：利用步骤3获得的各监测信号的各融合特征对GenSVM模型进行训练；

测试阶段包括如下步骤：

步骤5：针对实时采集的机械设备多种监测信号，按照步骤2和步骤3分别提取多种监测信号的特征并分别进行特征融合后，输入到步骤4训练好的GenSVM模型中，获得健康退化状态辨识结果。